arXiv:2609.27417v1 cs.AI

Emergi-PersonaOS: 상황 적응과 제어 가능한 진화를 위한 페르소나 에이전트 운영체제

Emergi-PersonaOS: A Persona Agent Operating System for Situational Adaptation and Controllable Evolution

Haoluan Fu, Keni Chen, Xinyu Jia, Jinpeng Wang, Yuyu Yin

제출 2026-09-24

한국어 초록

인간과 디지털 존재 사이의 공생은 인간-기계 상호작용의 미래에 대한 비전을 제시한다. 지속적인 인간-기계 관계에서 성격(personality)은 정체성의 연속성, 상호작용에서의 개별성, 경험을 통한 발달의 토대를 제공한다. 우리는 페르소나 에이전트를 계산적 구현으로 이 역량을 탐구하고, 페르소나 객체의 전 생애주기 동안 이를 관리하기 위한 심리학 기반 운영체제 Emergi-PersonaOS를 소개한다. 이 시스템은 성향적 특성(dispositional traits), 특징적 적응(characteristic adaptations), 서사적 정체성(narrative identity)을 3층 페르소나 표현으로 구조화하며, 상대적으로 지속적인 페르소나 신념과 현재 페르소나 상태에서의 그 활성화를 구분한다. 상황 적응(situational adaptation) 동안에는 현재 대화 상대, 관계, 사건, 검색된 기억을 통합하여 페르소나 상태를 추론하고 행동과 응답을 생성한다. 장기적 발달(long-term development) 동안에는 경험과 결과를 기록하고, 변화 귀인(change attribution), 의미 부여(meaning-making), 행동 검증(behavioral testing)을 통해 수정 후보를 개발하고 평가한다. 신념 업데이트는 명시적 검토, 추적 가능한 증거와 버전 기록, 후보 거부 능력을 통해 관리되어 페르소나 진화를 제어 가능하게 한다. 텔레비전 캐릭터 대화를 종단(longitudinal) 자료로 사용하여 장기간 시스템 운영을 시연하고, 구체적 구현에서 주요 메커니즘을 검토한다. 본 연구는 페르소나 에이전트가 지속적 상호작용에 걸쳐 개별적 연속성을 유지하고, 상황별 표현을 생성하며, 경험을 통해 발달할 수 있도록 하는 계산 프레임워크를 제공한다.

원문 초록

Symbiosis between humans and digital beings offers a vision for the future of human--machine interaction. In enduring human--machine relationships, personality provides a foundation for continuity of identity, individuality in interaction, and development through experience. We investigate this capacity through persona agents as computational implementations and introduce Emergi-PersonaOS, a psychology-grounded operating system for managing persona objects throughout their lifecycle. The system organizes dispositional traits, characteristic adaptations, and narrative identity into a three-layer persona representation, distinguishing relatively enduring persona beliefs from their activation in the current persona state. During situational adaptation, it integrates the current interlocutor, relationship, event, and retrieved memories to infer a persona state and generate actions and replies; during long-term development, it records experiences and outcomes, and develops and evaluates revision candidates through change attribution, meaning-making, and behavioral testing. Belief updates are managed through explicit review, traceable evidence and version records, and the ability to reject candidates, making persona evolution controllable. Using television-character dialogue as longitudinal material, we demonstrate long-horizon system operation and examine its principal mechanisms in a concrete implementation. This work provides a computational framework for persona agents to maintain individual continuity, produce situation-specific expression, and develop through experience over sustained interaction.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27417v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.19847v2cs.CL공통 태그 long-term memory

AtomMem: 원자적 사실(Atomic Facts)을 통한 대규모 언어 모델(LLM) 에이전트용 간단하고 효과적인 메모리 시스템 구축

AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

대규모 언어 모델(LLM)은 강력한 추론 및 생성 능력을 보여주지만, 고정된 컨텍스트 윈도우(context window)로 인해 다중 세션 상호작용 간의 장기 정보 축적 및 재사용이 제한됩니다. 기존 메모리 증강 시스템은 비효율적인 메모리 표현이나 불안정한 제약 없는 업데이트에 의존하여, 종종 대략적이고 불안정한 방식으로 메모리를 구성합니다. 이러한 문제를 해결하기 위해, 우리는 가치 밀도가 높은 저장과 안정적인 메모리 진화를 위해 설계된 장기 메모리 시스템인 AtomMem을 제안합니다. AtomMem은 Fact Executor를 도입하여, 장문 상호작용에서 고가치 원자적 사실(atomic facts)을 선택적으로 추출함으로써 매우 효율적인 메모리 표현으로 활용합니다. 이후 AtomMem은 이러한 사실들을 계층적 이벤트 구조와 시간적 프로필로 조직하여, 일관된 에피소드 컨텍스트를 포착하고 시간이 지남에 따라 동적으로 진화하는 사용자 속성을 추적합니다. 검색(retrieval) 과정에서 시스템은 연상 메모리 그래프를 활성화하여 파편화된 메모리를 연결합니다. LoCoMo 벤치마크에 대한 실험 결과, AtomMem은 다양한 추론 작업에서 최첨단(state-of-the-art) 성능을 달성하는 것으로 확인되었으며, 이는 지능형 개인화 에이전트 배포를 위한 확장 가능하고 경제적으로 실현 가능한 솔루션을 제공합니다.

arXiv:2610.15710v1cs.AI공통 태그 long-term memory

제안된 것은 대체된 것이 아니다: 메모리 폐기(memory-retirement) 게이트로서의 시스템원(System One) 모델에 대한 사전등록 평가

Suggested Is Not Superseded: A Pre-Registered Evaluation of a System-One Model as a Memory-Retirement Gate

어시스턴트의 장기 기억(long-term memory)에는 새로운 발화(utterance)가 기존에 저장된 주장(claim)을 언제 폐기(retire)할지 결정하는 게이트(gate)가 필요하다. 이 단계에 대한 벤치마크 레이블은 쌍(pair)을 변경되었는지 아닌지로만 표시하므로, 확정된 변경(established change)에 따라 작동하는 게이트와 단서(hint)에 따라 작동하는 게이트를 구별하지 못한다. 우리는 이 둘을 구분하는 태스크 계약(task contract)을 작성하여(SUPERSEDED 대 NEEDS-CONFIRMATION 대 COMPATIBLE), STALE(변경 쌍과 동일 사용자 대조군으로 구성)로부터 만들어진 500개의 테스트 쌍에 대해 세 명의 LLM 주석자(annotator)와 두 명의 인간 심판자(저자 1명과 추가 주석자 1명; 출처(provenance)를 명시함)로 레이블을 부여하고, 사전등록된 가설(pre-registered hypotheses) 하에서 타입이 지정된(typed) "시스템원(System One)" 결정 모델인 Jev를 평가한다. STALE이 변경되었다고 표시한 179개의 테스트 쌍 중 72개가 계약에서 정한 확정된 변경의 기준을 충족한다. Jev는 동일 대화 내 변경되지 않은 141개의 사례에서 단 한 번도 주장을 폐기하지 않았다. Jev의 실패는 조기 폐기(premature retirement)이다: 이진 게이트(binary gate)는 변경이 단지 제안(suggested)된 것에 불과한 주장의 39.2%를 폐기한다. 삼항 결정(three-way decision)은 이를 15.3포인트(point)의 탐지 비용(detection cost)으로 15.5%까지 낮추는데, 이는 우리가 사전등록한 10포인트 예산(budget)을 초과하며, 이진 게이트 자체의 임계값 프런티어(threshold frontier) 위에 위치한다; 이러한 판정(verdict)은 골드 레이블(gold label)에 대한 세 가지 해석(readings) 모두에서 유지된다. 두 번째 주석자의 레이블을 기준으로 채점한 보류된(held-out) 볼트(vault)에서, 불확실한 사례를 추론 모델(reasoning model)로 에스컬레이션(escalate)하고 개발(development) 데이터에서 가장 우수했던 캐스케이드(cascade)는 단순히 임계값을 높이는 것과 구별되지 않았다(조기 폐기 비율 26.8% 대 개발 데이터에서의 6.5%). 이 격차(gap)의 일부는 골드 레이블에서 비롯된다: 해당 주석자의 해석에 비추어 볼 때, LLM 다수결(majority) 골드는 동일 계열(same-family)의 에스컬레이션 모델과 오류 대부분을 공유하며, 이진 레이블에 대한 한 아이덴티티(identity)는 이러한 공유된 오류가 얼마나 가려지는지를 보여준다. 나머지는 개발 데이터에서의 소규모 샘플 선택(small-sample selection)에 기인한다. 빌더(builder)들에게 이는 이진 점수(binary score)를 삭제(delete) 동작에 바로 연결해서는 안 된다는 것을 의미한다: 제안된 변경은 보류 중인 증거(pending evidence)로 라우팅(route)하고, 이 정도 규모의 개발 데이터에서 선택된 캐스케이드를 신뢰하지 말아야 한다.

arXiv:2610.13348v1cs.CL공통 태그 long-term memory

테스트 시점 메모리 구축

Test-Time Memory Construction

대규모 언어 모델(LLM)은 관련 증거가 멀리 떨어진 세션에 걸쳐 흩어져 있을 수 있는 긴 상호작용 기록을 바탕으로 질문에 답하는 데 어려움을 겪습니다. 기존 메모리 시스템은 일반적으로 사용자 질의가 관찰되기 전에 오프라인에서 정교한 메모리 표현을 구축하고 유지하므로 상당한 오버헤드가 발생하고 질의별 정보 요구에 맞춰 메모리 구축을 적응시키는 능력이 제한됩니다. 본 논문에서는 메모리 구축을 추론(inference) 시점으로 미루고 추론 과정에 따라 메모리를 점진적으로 구축하는 테스트 시점 메모리(Test-Time Memory) 구축 프레임워크인 T$^2$Mem을 제안합니다. 구체적으로 T$^2$Mem은 주요 이벤트와 시간적 연관성을 검색 단서로 포착하기 위해 가벼운 에피소드 수준의 메타데이터를 오프라인에서 추출하는 동시에, 에피소드 간의 의존성 재구성을 용이하게 하도록 원본 상호작용에 대한 링크를 유지합니다. 테스트 시점에 LLM은 메타데이터와 원시 상호작용을 적응적으로 검색 및 구성하여 추론이 진행됨에 따라 질의 맞춤형 메모리를 점진적으로 구축합니다. LoCoMo 및 LongMemEval에 대한 실험을 통해 T$^2$Mem은 다양한 백본 LLM 전반에서 강력한 베이스라인을 일관되게 능가하는 동시에 메모리 구축 오버헤드를 대폭 줄임으로써 그 효과를 입증합니다. 추가 분석을 통해 메모리 구축을 추론 시점으로 미룸으로써 메모리 구축 프로세스가 개별 질의의 정보 요구에 동적으로 적응할 수 있음을 보여줍니다. 모든 코드는 https://github.com/OpenBMB/T2Mem 에서 이용 가능합니다.

arXiv:2610.01780v3cs.AI공통 태그 long-term memory

RealCompanion: 장기적 실제 대화 추론을 통한 인간 이해 벤치마킹

RealCompanion: Benchmarking Human Understanding from Reasoning over Longitudinal Real-World Conversations

수개월 동안 대화를 나누는 AI 컴패니언은 상대를 이해할 수 있어야 합니다. 상대가 누구인지 알고, 그들이 한 말을 기억하며, 과거의 내용이 현재 중요한 순간을 인식할 수 있어야 합니다. 이를 평가하기 위해서는 실제 대화가 필요하지만, 실제 대화는 사적인 영역이므로 기존 벤치마크들은 가상의 인물과 가상의 질문을 사용해 왔습니다. 본 연구에서는 실제 사람들과 AI 컴패니언 간의 10가지 실제 관계를 바탕으로, 최대 120일에 걸친 27,218개의 메시지를 담은 RealCompanion을 공개합니다. 각 인물에 대해 전체 대화, 프로필, 페르소나, 채팅 테스트 항목, 질문 테스트 항목을 제공합니다. 모든 라벨은 이를 뒷받침하는 메시지를 가리키며, 모든 채팅 라벨에는 이를 도출한 추론 과정이 함께 제공됩니다. 실제 데이터는 세 가지 사실을 보여줍니다. 첫째, 사람들은 과거를 직접 언급하는 경우가 드뭅니다. 이전 발언에 의존하는 메시지는 전체의 3.4%에 불과하며, 의존하더라도 해당 이전 메시지는 대개 매우 먼 시점(중앙값 기준 2,157개 이전 메시지)에 위치합니다. 평균치는 이러한 사실을 가립니다. 가장 최근 메시지만을 살피면 전체적으로는 필요한 메시지를 95.9% 찾아내지만, 과거 멀리 떨어진 메시지의 경우에는 2.2%에 불과합니다. 둘째, AI 시스템은 과거가 중요한 시점을 구분하지 못합니다. 테스트된 탐지기들은 실제 메시지에서 무작위 확률 수준을 간신히 넘겼으며, 동일한 이전 메시지에 '이전 메시지' 대신 '기억'이라는 라벨이 붙으면 모델은 과거 정보가 전혀 필요하지 않은 상황에서도 과거를 10~14%포인트 더 자주 언급했습니다. 셋째, AI 시스템은 상대방이 드러낸 것 이상으로 과도하게 해석합니다. 세 가지 에이전트(agent) 시스템은 각 페르소나를 동등한 수준(F1 0.71)으로 재구성하지만, 상대방을 파악한 뒤 그 이상을 상상해 냅니다. 한 사람을 이해하는 것은 그들의 과거가 언제 중요한지, 그리고 그들이 공유한 내용의 경계가 어디까지인지를 아는 것에 달려 있으며, 이는 오직 실제 대화를 통해서만 평가할 수 있습니다.

arXiv:2610.02070v3cs.AI공통 태그 long-term memory

인과적 메모리 정책: 검색 개입을 통해 메모리 효용을 식별 가능하게 만들기

Causal Memory Policy: Making Memory Utility Identifiable by Intervening on Retrieval

메모리 증강 대규모 언어 모델(LLM)은 어떤 메모리를 유지할지 결정해야 하며, 최근 시스템들은 작업 성능에 미치는 각 메모리의 영향을 추정함으로써 이를 수행합니다. 그러나 이러한 추정치는 전적으로 검색된 메모리에 의존합니다. 메모리가 전혀 검색되지 않는 경우, 저장소 수준의 개입은 동일한 결과를 낳아 해당 메모리의 효용(utility)을 식별할 수 없는 상태로 남겨둡니다. 이는 메모리 연산만을 검사하는 진단 방식으로는 보이지 않는, 검색 수준의 양의성(positivity) 위반 문제입니다. 본 논문에서는 검색 자체에 개입하여 알려진 성향(propensity)으로 샘플링된 메모리를 위해 고정된 수의 컨텍스트 슬롯을 확보함으로써 식별 가능성을 복원하는 인과적 프레임워크인 인과적 메모리 정책(Causal Memory Policy, CMP)을 제안합니다. CMP는 균형 할당 설계(balanced assignment design) 하에서 자기 정규화 역성향 가중치(self-normalized inverse propensity weighting)를 통해 메모리 효용을 추정합니다. 저자들은 검색을 통한 메모리 효용의 인과적 인수분해, 추정량의 비편향성과 정확한 분산, 그리고 비가역적 연산 하에서의 최적 결정 규칙을 증명합니다. 실증적으로 식별 실패는 LongMemEval에서 필요한 메모리의 54%, LoCoMo에서 67%에 달하며, 이러한 실패는 실제 배포된 메모리 시스템에서도 지속됩니다. CMP는 필요한 메모리와 필요하지 않은 메모리 간의 구별 성능을 0.54 AUC에서 0.66 AUC로 향상시킵니다. 마지막으로, 식별된 메모리 효용만으로는 유지 결정에 충분하지 않음을 보입니다. 쿼리별 효용은 추정 대상이 된 쿼리에서 0.78 AUC에 도달하지만, 유지 정책이 활용할 수 있는 어떤 집계 방식도 보지 못한 쿼리(unseen queries)에 대한 메모리의 가치를 예측하지 못합니다. 코드는 https://anonymous.4open.science/r/cmp-release-D0C3/ 에서 확인할 수 있습니다.

arXiv:2606.05761v3cs.AI공통 태그 long-term memory

SubtleMemory: 장기 실행 AI 에이전트의 세밀한 관계형 기억 식별을 위한 벤치마크

SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents

OpenClaw와 같은 지속형 AI 어시스턴트는 장기적인 상호작용을 거치며 방대한 양의 연관 기억(memory)을 축적합니다. 이러한 기억이 늘어남에 따라 기억들은 서로를 강화하거나, 맥락에 따라 갈라지거나, 직접적으로 상충할 수 있으므로 올바른 지원을 제공하기 위해서는 개별적인 회상(recall)보다는 기억 간의 관계에 의존해야 합니다. 기존의 장기 기억 벤치마크는 에이전트가 다운스트림 태스크를 수행하는 동안 이러한 관계를 어떻게 보존하고 활용하는지 체계적으로 조사하지 못합니다. 이러한 격차를 해소하기 위해, 본 논문에서는 장기 실행 AI 에이전트의 세밀한(fine-grained) 관계형 기억 식별을 위한 벤치마크인 SubtleMemory를 소개합니다. SubtleMemory는 상호보완적이거나 미묘하거나 모순되는 관계를 구체화하는 변형들을 갖춘 관계 제어 잠재 의미 아티팩트를 구축하고, 이를 현실적인 사용자-에이전트 히스토리에 삽입하여 에이전트가 후속 쿼리 및 지시 사항 수행 시 분산된 관계 구조를 복원하도록 요구합니다. 이 벤치마크는 사용자 관련 및 비사용자 관련 쿼리를 아우르며, 1,090개의 관계 제어 기억 변형 세트에 기반한 10개의 긴 히스토리에 걸쳐 1,522개의 평가 인스턴스를 포함합니다. 6개의 독립형 기억 시스템, 자체 기억 모듈을 갖춘 2개의 Claw 스타일 에이전트, 플러그인 기억 모듈을 갖춘 3개의 Claw 스타일 에이전트를 평가한 결과, 현재 시스템들이 세밀한 관계형 기억 식별에 여전히 취약함을 발견했습니다. 나아가 기억 보존, 검색, 다운스트림 추론 단계 전반에 걸친 뚜렷한 역량 프로파일을 밝혀내는 진단 프로토콜을 제시합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.